BAAI: bge-large-en-v1.5

BAAI bge-large-en-v1.5 tworzy wektory angielskiego tekstu o 1024 wymiarach do wyszukiwania i porównania semantycznego. Przygotowanie v1.5 obsługuje opcjonalną instrukcję zapytania, z udokumentowaną długością sekwencji 512 tokenów.

Ailoot Ultra · Reprezentacje wektorowe POST /v1/embeddings baai/bge-large-en-v1.5

O modelu

Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.

bge-large-en-v1.5 to duże angielskie wydanie BAAI do gęstych osadzeń. Odwzorowuje tekst na wektor o 1024 wymiarach do wyszukiwania fragmentów i porównań semantycznych. Wersja 1.5 jest aktualizacją producenta ukierunkowaną na użyteczniejszy rozkład podobieństwa i lepsze wyszukiwanie bez instrukcji. Large pozostaje odrębnym punktem kontrolnym od Base, Small, wydań chińskich i wielojęzycznego BGE-M3.

Przygotuj wyszukiwanie fragmentów

Dla krótkiego zapytania wyszukiwania wśród dłuższych dokumentów producent zaleca instrukcję zapytania „Represent this sentence for searching relevant passages:”. Dodawaj ją po stronie zapytania; fragmenty korpusu zachowują własny tekst źródłowy bez tej instrukcji. W innych zastosowaniach wystarczy sam tekst. BAAI dokumentuje również wyszukiwanie bez prefiksu w v1.5 i zaleca wybór przygotowania najlepiej działającego w rzeczywistym zadaniu.

Praktyczny zbiór wiedzy może indeksować sekcje angielskiego podręcznika technicznego. Pytanie o ustawienie zmieniające format wyjścia powinno zwrócić sekcję wyjaśniającą to ustawienie i jego warunki. Przy każdym fragmencie zachowaj nagłówek, istotne wyjaśnienie i lokalizację źródła. Model dostarcza reprezentację liczbową; zwrócony tekst źródłowy jest tym, czego używa czytelnik lub późniejszy etap RAG.

Reprezentacja i dopasowanie

Przykład bezpośredniego kodowania producenta używa końcowego stanu ukrytego pierwszego tokenu CLS jako zbiorczego osadzenia, a następnie normalizuje wektor. Porównanie znormalizowanych wektorów iloczynem skalarnym daje podobieństwo kosinusowe. Każdy fragment można więc przygotować raz i zapisać do porównywania z wektorami kolejnych zapytań, a zmieniony materiał źródłowy otrzymuje aktualną reprezentację.

1024 wymiary określają długość wektora wyjściowego. Różnią się od reprezentacji Base o 768 wymiarach i nie ustanawiają zgodnej wspólnej przestrzeni z innym punktem kontrolnym. Zachowuj oznaczenie modelu i sposób przygotowania przy zapisanym indeksie. Zmiana wydania osadzeń wymaga wspólnego sprawdzenia reprezentacji korpusu i zapytań.

Zmieść źródło w oknie

Udokumentowana długość sekwencji wynosi 512 tokenów. Długi podręcznik przygotuj jako spójne sekcje, a nie jedno nadmiernie duże wejście. Zachowuj warunek lub wyjątek obok reguły, której dotyczy, i dołączaj dość kontekstu, aby znaleziony fragment był zrozumiały samodzielnie. Dodatkowa instrukcja zapytania również zajmuje tokeny wejściowe, dlatego okno modelu dotyczy całego przygotowanego wejścia.

Użyteczna granica fragmentu może obejmować nagłówek i akapity odpowiadające na jedno pytanie użytkownika. Zachowuj identyfikator i wersję dokumentu nadrzędnego poza wektorem, aby wynik można było prześledzić do właściwego źródła. Przy porównaniu używaj rzeczywistych tekstów, zamiast zastępować je niepowiązanymi podsumowaniami usuwającymi różnicę, którą chcesz wykryć.

Interpretuj wynik podobieństwa

Producent ostrzega przed traktowaniem bezwzględnego podobieństwa jako uniwersalnej reguły równoważności semantycznej. W wyszukiwaniu zasadnicze znaczenie ma względna kolejność wyników, a próg należy kalibrować na rozkładzie tekstów konkretnego zadania. Sprawdzaj kandydackie fragmenty dla pytań ze znanymi odpowiedziami oraz pytań, na które odpowiedzi nie ma. Pozwala to ustalić, czy zwrócona sekcja dostarcza wymaganej informacji, a nie tylko przypomina temat.

bge-large-en-v1.5 dostarcza angielskie gęste wektory. Osobny model rerankingu może dopracować kolejność kandydatów, a osobny model językowy ułożyć odpowiedź z wybranych fragmentów. Użytecznym wyjściem tego wydania jest przeszukiwalna reprezentacja powiązana ze źródłem, z zachowaniem dokładnego wyboru modelu Large v1.5 i przygotowania wejścia.

Ailoot Ultra · Reprezentacje wektorowe POST /v1/embeddings baai/bge-large-en-v1.5

baai/bge-large-en-v1.5

BAAI /baai/bge-large-en-v1.5

Start

Akceptowane dane wejściowe: Tekst · token_ids
Wyniki: embedding

Dostępne w Ailoot · dane wejściowe i metody

Ailoot Ultra · Reprezentacje wektorowe POST /v1/embeddings

Wejście: text, token_ids
Wyjście: embedding
Format wyjściowy: json

Pole	Typ	Wymaganie	Wartości i limity	Domyślnie
Pole`model`	Typ`string`	WymaganieWymagane	Wartości i limity baai/bge-large-en-v1.5	Domyślnie—
Pole`input`	Typ`string\|string[]\|integer[]\|integer[][]`	WymaganieWymagane	Wartości i limity Minimalna liczba elementów: 1 Warunki: Niepusta, jednorodna partia danych. Identyfikatory tokenów są nieujemnymi liczbami całkowitymi. Budżet wejścia: Maksimum: 512 · Jednostka tekstu: bajty UTF8 · Jednostka tokenów: elementy tablicy tokenów	Domyślnie—
Pole`encoding_format`	Typ`string`	WymaganieOpcjonalne	Wartości i limity float	Domyślniefloat
Pole`dimensions`	Typ`integer`	WymaganieNieobsługiwane	Wartości i limity Minimum: 1	Domyślnie—
Pole`user`	Typ`json_value`	WymaganieOpcjonalne	Wartości i limity Warunki: Źródło dopuszcza to pole metadanych JSON; dokładna semantyka po stronie dostawcy zależy od modelu.	Domyślnie—
Pole`session_id`	Typ`json_value`	WymaganieOpcjonalne	Wartości i limity Warunki: Źródło dopuszcza to pole metadanych JSON; dokładna semantyka po stronie dostawcy zależy od modelu.	Domyślnie—
Pole`trace`	Typ`json_value`	WymaganieOpcjonalne	Wartości i limity Warunki: Źródło dopuszcza to pole metadanych JSON; dokładna semantyka po stronie dostawcy zależy od modelu.	Domyślnie—
Pole`provider`	Typ`object`	WymaganieOpcjonalne	Wartości i limity Warunki: Odrzucono provider.options	Domyślnie—

Kombinacje materiałów wejściowych

text_to_embedding

Parametry i cykl życia metody

Parametr	Kontrakt
Parametr`content_type`	Kontraktapplication/json
Parametr`required`	Kontraktmodel, input
Parametr`input_shapes`	Kontraktstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]
Parametr`encoding_format`	Kontraktfloat
Parametr`dimensions_override`	Kontraktfalse
Parametr`max_input_budget_units`	Kontrakt512
Parametr`multimodal_objects`	Kontraktfalse
Parametr`material_types`	Kontrakttext, token_ids

Cykl życia: synchronous_json

Zachowaj indeks i liczbę wymiarów każdego wektora.

Nawet jeśli nazwa modelu wskazuje na multimodalność, ta konkretna ścieżka nie obsługuje obiektów obrazów.

Cennik

Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.

Tryb szybki: Nie określono Gdy wybrany jest tryb szybki
Tryb flex: Nie określono Gdy wybrany jest tryb flex
Maksymalna intensywność rozumowania: Nie określono Gdy dla maksymalnej intensywności rozumowania stosowana jest domyślna korekta (default)

Stawki Ailoot

Ceny według konfiguracji

Konfiguracja	Tabela stawek	Opłata
KonfiguracjaPodstawowe stawki za tokeny	Tabela stawekStawka podstawowa	Opłata Wejście · Tokeny wejściowe $0.00002 / 1K tokenów Wyjście · Tokeny wyjściowe $0 / 1K tokenów Wejście · Odczyt cache — / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów

Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →

Przykładowe żądania

Ailoot Ultra · Reprezentacje wektorowe

curlPython SDK

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "baai/bge-large-en-v1.5", "input": ["First document", "Second document"]}')

Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))
PY_RESULT

from openai import OpenAI
import os

client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
result=client.embeddings.create(model='baai/bge-large-en-v1.5',input=["First document","Second document"])
print(result)
for item in result.data:print(item.index,item.embedding)

Odbieranie i zapisywanie wyników

Ailoot Ultra · Reprezentacje wektorowe

json

Zachowaj wszystkie ukończone wyniki

Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.

Zachowaj każdy wektor wraz z jego indeksem. Liczba wektorów musi być równa liczbie elementów wejściowych; wszystkie wektory muszą mieć tę samą liczbę wymiarów.

Jeśli trzeba sprawdzić pierwotną odpowiedź

Nie wprowadzono endpointu zadań generowania osadzeń.

Pola odpowiedzi

Pole	Typ
Pole`object`	Typstring
Pole`model`	Typstring
Pole`data[].index`	Typinteger
Pole`data[].embedding`	Typfinite float[]
Pole`usage`	Typobject

Błędy i dalsze kroki

Odpowiedź	Warunek	Następny krok
Odpowiedź400 · `invalid_request_error`	WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru	Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia.

Aliasy

Aliasy modelu

Ailoot Ultra baai/bge-large-en-v1.5

Aliasy ścieżek metod

Użyj ścieżek metod podanych powyżej.

Powiązane ID modeli

baai/bge-large-en-v1.5

FAQ · BAAI: bge-large-en-v1.5

Jakie dane wejściowe i wyniki są dostępne?: POST /v1/embeddings · baai/bge-large-en-v1.5: text, token_ids → embedding
Jakich pól używa żądanie?: POST /v1/embeddings · baai/bge-large-en-v1.5: model, input, encoding_format, provider
Jakie limity obowiązują?: POST /v1/embeddings · baai/bge-large-en-v1.5: input.budget.maximum: 512 (bajty UTF8); input.min_items: 1

BAAI: bge-large-en-v1.5